CN110233653B - 基于加权集成聚类算法的mimo***的盲多径识别方法及*** - Google Patents

Abstract

本公开涉及一种基于加权集成聚类算法的MIMO***的盲多径识别方法，其包括：多个用户端向基站发送通信请求信号；用户端基于基站反馈的应答信号调整用户端发射功率，以使基站允许用户端的通信请求；用户端向基站发送信息信号；基站基于分离的信息信号生成基本聚类算法的输入信号，基于各个基本聚类算法的输出结果，基站通过加权集成聚类算法自适应调整各个基本聚类算法输出结果的权重，并根据加权集成聚类算法的输出对用户端的信息信号的路径进行识别；基站对每个用户端的最大比合并，并解码每个用户端的信息信号。根据本公开，能够基于加权集成聚类算法稳定且有效地进行多径识别。

Description

基于加权集成聚类算法的MIMO***的盲多径识别方法及***

技术领域

本公开涉及无线通信技术领域，具体涉及一种基于加权集成聚类算法的MIMO***的盲多径识别方法及***。

背景技术

随着用户对无线通信数据传输的需求越来越高，愈加需要高质量的无线通信技术的应用，为了达到高速度高容量的数据传输需求，多入多出MIMO技术(Multiple-InputMultiple-Output)受到市场的广泛关注，特别是多用户MIMO***。多用户MIMO提供了用于无线通信的空分多址(SpaceDivision MultipleAccess，SDMA)架构，且多用户MIMO***能够提供超越传统点对点MIMO***的巨大优势。在SDMA中，多个用户使用相同的频率信道同时传输，从而增加可实现的容量，而无需额外的RF频谱。SDMA接收器的主要任务之一是区分源发送的信号。

为了实现高速可靠的通信，需要进行信道识别。在现有技术中，通常通过三种方法实现信道识别。这三种方法分别是发送训练序列、复杂的预编码器技术和利用发送信号的某些特殊属性。在第一种方法中，过多的训练序列引起导频污染问题，即可能由相邻小区中导频序列的重用引起残留干扰。在第二种方法中，当发射机预先知道信道中的干扰时，可以设计代码进行补偿，使得信道的容量与没有干扰的情况相同。然而，第二种方法不适用于实际的无线通信环境，这是因为可以先验地假设信道状态信息(CSI)的信息很少。

第三种方法利用与通过接收信号的时间和空间过采样产生的虚拟信道相关联的循环平稳特性。例如，引入具有投影的迭代最小二乘和具有枚举算法的迭代最小二乘，或者利用二进制移位键控(BSK)的有限字母属性，相移键控(PSK)和正交幅度调制(QAM)数字调制格式。还有单输入多输出(SIMO)***识别策略扩展到MIMO情况。然而第三种方法存在两个主要问题：其一，传输信号是特殊类型而不是一般类型，其二，需要足够大的接收数据样本，并不适用于超可靠和低延迟通信(URLLC)。具体而言，URLLC是5G新无线电(NR)支持的新服务类别，其针对的是新兴应用，其中数据消息是时间敏感的，必须在高可靠性和低延迟要求的情况下端到端地安全地交付。低延迟要求意味着在截止日期之前无法在接收器处解码的数据传输无用且可从***中丢弃，从而导致可靠性的损失。对于低延迟通信，即大约1ms的端到端延迟，建议使用短数据包。因此，第三种方法不适合这种情况。

在大规模MIMO***中，信道识别越来越受到挑战。原因是因为除了基站(BS)配备大型天线以及之外，每个用户(也称用户端)还配备了许多天线，这为每个用户产生了大量的多径。在大规模MIMO***中，能够通过有效的组合技术提高消息的接收质量。如果每条路径可以准确地分类到相应的用户，则可以应用物理层认证，通过将当前时隙中每个用户的CSI与先前时隙进行比较来提高整个***的安全性。然而，由于小规模多径衰落和接收机噪声能够引起随机性，且每个用户都具有发射功率的限制，不能被基站任意调整，因此，有的路径可能难以分类。

发明内容

本公开是有鉴于上述的状况而提出的，其目的在于提供一种能够稳定且有效地进行多径识别的基于加权集成聚类算法的MIMO***的盲多径识别方法及***。

为此，本公开的第一方面提供了一种基于加权集成聚类算法的MIMO***的盲多径识别方法，是包含用户端和基站的无线通信***的基于加权集成聚类算法的MIMO***的盲多径识别方法，其特征在于，包括：多个所述用户端向所述基站发送通信请求信号；所述基站基于所述通信请求信号向所述用户端反馈应答信号，所述用户端基于所述应答信号，确定是否调整用户端的发射功率，以使所述基站允许每个所述用户端的通信请求；当所述基站允许每个所述用户端的通信请求时，多个所述用户端向所述基站发送信息信号；所述基站通过空间滤波器分离所述信息信号，所述基站基于分离的所述信息信号生成任一所述用户端的任一路径的基本聚类算法的输入信号，基于所述输入信号和所述基本聚类算法获得所述基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵，基于各个所述特征矩阵获得集合矩阵；所述基站基于所述集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，所述基站基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重，并根据所述加权集成聚类算法的输出对所述用户端的信息信号的路径进行识别；并且所述基站基于每个所述用户端的所有所述路径获得每个所述用户端的最大比合并，并解码每个所述用户端的信息信号。

在本公开中，基站接收多个用户端向基站发送通信请求信号并允许用户端的通信请求的情况下，多个用户端向基站发送信息信号；基站通过空间滤波器分离信息信号，基站基于分离的信息信号生成基本聚类算法的输入信号，基于输入信号和基本聚类算法获得基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵，基于各个特征矩阵获得集合矩阵；基站基于集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，基站基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重，并根据加权集成聚类算法的输出对用户端的信息信号的路径进行识别；并且基站基于每个用户端的所有路径获得每个用户端的最大比合并，并解码每个用户端的信息信号。在这种情况下，基站可以基于基本聚类算法得到加权集成聚类算法，通过加权集成聚类算法能够稳定且有效地进行多径识别。

在本公开的第一方面所涉及的盲多径识别方法中，可选地，所述基站通过信道估计获得第K个所述用户端的第l条路径的基本聚类算法的输入信号x_k,l(t)，第K个所述用户端的第l条路径的输入信号x_k,l(t)满足式(Ⅰ)：

其中，r_k,l(t)表示所述空间滤波器分离的第K个所述用户端的第l条路径的输出信号，

表示第K个所述用户端的第l条路径的信道估计值。由此，能够获得各个用户端的各条路径的输入信号，便于后续进行多径识别。

在本公开的第一方面所涉及的盲多径识别方法中，可选地，在所述基站基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重中，引入正则化参数R优化所述基本聚类算法的输出结果的权重，所述正则化参数R满足式(Ⅱ)：

其中，ω_i表示第i条路径的特征矩阵D_i的权重，N_p表示基本聚类结果。由此，能够避免权重的矢量过度拟合到一个特征矩阵。

在本公开的第一方面所涉及的盲多径识别方法中，可选地，在所述基站基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重中，令所述权重的矢量等于预设值，通过第一更新规则更新路径-用户倾向矩阵B，获得更新的所述路径-用户倾向矩阵B后，基于第二更新规则更新所述权重的矢量。由此，能够优化路径-用户倾向矩阵和权重的矢量。

在本公开的第一方面所涉及的盲多径识别方法中，可选地，建立路径-用户倾向矩阵B，所述基站基于所述集合矩阵通过所述路径-用户倾向矩阵B识别路径与所述用户端之间的关系，基于所述路径-用户倾向矩阵B和所述集合矩阵获得***概率，所述***概率满足式(Ⅲ)：

其中，N_p表示基本聚类结果，ω_i表示第i条路径的特征矩阵D_i的权重，

表示权重的矢量，E_i,j表示所述集合矩阵的各个元素，且代表所述用户端第i条路径和第j条路径之间的关系，β_i,k表示第K个用户端的第i条路径的强度，β_j,k表示第K个用户端的第j条路径的强度，

表示检测到第k个用户端的第i条路径和第j条路径属于同一用户端的可能性。由此，能够识别路径与用户端之间的关系且能够判断两条路径属于同一用户端的可能性。

本公开的第二方面提供了一种基于加权集成聚类算法的MIMO***的盲多径识别***，是包含用户装置和接收装置的基于加权集成聚类算法的MIMO***的盲多径识别***，其特征在于，包括：多个所述用户装置，其用于向所述接收装置发送通信请求信号；以及所述接收装置，其用于基于所述通信请求信号向所述用户装置反馈应答信号，所述用户装置基于所述应答信号，确定是否调整用户装置的发射功率，以使所述接收装置允许每个所述用户装置的通信请求，其中，当所述接收装置允许每个所述用户装置的通信请求时，多个所述用户装置向所述接收装置发送信息信号，所述接收装置通过空间滤波器分离所述信息信号，所述接收装置基于分离的所述信息信号生成任一所述用户装置的任一路径的基本聚类算法的输入信号，基于所述输入信号和所述基本聚类算法获得所述基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵，基于各个所述特征矩阵获得集合矩阵，所述接收装置基于所述集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，所述接收装置基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重，并根据所述加权集成聚类算法的输出对所述用户装置的信息信号的路径进行识别，所述接收装置基于每个所述用户装置的所有所述路径获得每个所述用户装置的最大比合并，并解码每个所述用户装置的信息信号。

在本公开中，接收装置接收多个用户装置向接收装置发送通信请求信号并允许用户装置的通信请求的情况下，多个用户装置向接收装置发送信息信号；接收装置通过空间滤波器分离信息信号，接收装置基于分离的信息信号生成基本聚类算法的输入信号，基于输入信号和基本聚类算法获得基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵，基于各个特征矩阵获得集合矩阵；接收装置基于集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，接收装置基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重，并根据加权集成聚类算法的输出对用户装置的信息信号的路径进行识别；并且接收装置基于每个用户装置的所有路径获得每个用户装置的最大比合并，并解码每个用户装置的信息信号。在这种情况下，接收装置可以基于基本聚类算法得到加权集成聚类算法，通过加权集成聚类算法能够稳定且有效地进行多径识别。

在本公开第二方面所涉及的盲多径识别***中，可选地，所述接收装置通过信道估计获得第K个所述用户装置的第l条路径的基本聚类算法的输入信号x_k,l(t)，第K个所述用户装置的第l条路径的输入信号x_k,l(t)满足式(Ⅰ)：

其中，r_k,l(t)表示所述空间滤波器分离的第K个所述用户装置的第l条路径的输出信号，

表示第K个所述用户装置的第l条路径的信道估计值。由此，能够获得各个用户装置的各条路径的输入信号，便于后续进行多径识别。

在本公开第二方面所涉及的盲多径识别***中，可选地，在所述接收装置基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重中，引入正则化参数R优化所述基本聚类算法的输出结果的权重，所述正则化参数R满足式(Ⅱ)：

其中，ω_i表示第i条路径的特征矩阵D_i的权重，N_p表示基本聚类结果。由此，能够避免权重的矢量过度拟合到一个特征矩阵。

在本公开第二方面所涉及的盲多径识别***中，可选地，在所述接收装置基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重中，令权重的矢量等于预设值，通过第一更新规则更新路径-用户倾向矩阵B，获得更新的所述路径-用户倾向矩阵B后，基于第二更新规则更新所述权重的矢量。由此，能够优化路径-用户倾向矩阵和权重的矢量。

在本公开第二方面所涉及的盲多径识别***中，可选地，建立路径-用户倾向矩阵B，所述接收装置基于所述集合矩阵通过所述路径-用户倾向矩阵B识别路径与所述用户装置之间的关系，基于所述路径-用户倾向矩阵B和所述集合矩阵获得***概率，所述***概率满足式(Ⅲ)：

其中，E表示集合矩阵，N_p表示基本聚类结果，ω_i表示第i条路径的特征矩阵D_i的权重，

表示权重的矢量，E_i,j表示所述集合矩阵的各个元素，且代表所述用户装置第i条路径和第j条路径之间的关系，β_i,k表示第K个用户装置的第i条路径的强度，β_j,k表示第K个用户装置的第j条路径的强度，

表示检测到第k个用户装置的第i条路径和第j条路径属于同一用户装置的可能性。由此，能够识别路径与用户装置之间的关系且能够判断两条路径属于同一用户装置的可能性。

与现有技术相比，本公开的示例具备以下有益效果：

由于在相同***(例如相同数量的多个用户端和相同数量的多个路径)上的不同聚类算法的性能基本上不同，而且即使相同的算法在不同的信道条件下也可能具有不同的性能。另外由于不同聚类算法的聚类结果可以从不同方面描述多用户MIMO***的基本模式，单个聚类算法通常只能捕获上行链路***的一个方面。因此，本公开提出一种基于加权集成聚类算法的MIMO***的盲多径识别方法及***。本公开涉及的盲多径识别方法能够集成不同基本聚类算法的基本聚类结果，生成准确可靠的聚类结果。与同等地处理每个基本聚类结果的传统加权集成聚类算法相比，本公开所涉及的加权集成聚类算法可以自适应调整不同基本聚类结果的最佳权重。由此，获得更高权重的基本聚类结果可能更可靠并且可以被视为重要特征。而具有较低权重的基础聚类结果可能是较不可靠的特征，且产生具有较低权重的基础聚类结果的聚类可能远离实际情况。在这种情况下，通过这些权重，可以在要素(基础聚类结果)之间执行选择，并产生更可靠的输出。通过本公开涉及的盲多径识别方法能够稳定且有效地进行多径识别。

附图说明

图1是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别方法的用户端与基站信号传输示意图。

图2是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别方法的流程示意图。

图3是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别方法的使用加权集成聚类算法进行盲多径识别的示意图。

图4是示出了本公开的示例所涉及的盲多径识别方法中在不同接收信噪比的差值的条件下瑞利信道中的杰卡德度量值与接收信噪比的波形示意图。

图5是示出了本公开的示例所涉及的盲多径识别方法中在不同参数m的条件下Nakagami信道中的杰卡德度量值与接收信噪比的波形示意图。

图6是示出了本公开的示例所涉及的盲多径识别方法中在不同初始权衡参数的条件下瑞利信道中的杰卡德度量值与接收信噪比的波形示意图。

图7是示出了本公开的示例所涉及的盲多径识别方法中在不同估计误差的比例因子的条件下瑞利信道中的杰卡德度量值与接收信噪比的波形示意图。

图8是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别***的结构示意图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

本公开涉及一种基于加权集成聚类算法的MIMO***的盲多径识别方法，可以是包含用户端和基站的无线通信***的基于加权集成聚类算法的MIMO***的盲多径识别方法。在本公开中，能够基于加权集成聚类算法稳定且有效地进行多径识别。以下结合附图进行详细描述本公开。

图1是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别方法的用户端与基站信号传输示意图。在一些示例中，如图1所示，基于加权集成聚类算法的MIMO***的盲多径识别方法可以适用于一个包括多个用户端和一个基站的信号传输模型中。其中，多个用户端可以位于基站所覆盖的小区内。多个用户端可以通过无线通信的方式与基站进行信号传输。

在一些示例中，图1所示的多用户MIMO***的上行链路中，多个用户端可以是K个，K是自然数。每个用户端都配备多个天线。假设图1所示的基站具有足够的大规模的天线以提供强大的空间分辨能力。第k个用户端与基站之间存在L_k条独立的路径。例如，第1个用户端与基站之间存在L₁条独立的路径。也即第k个用户端在基站处具有L_k条可解析的路径。可解析的路径总数量N_L表示为

在一些示例中，上述如图1所示的用户端可以包括但不限于用户设备。在一些示例中，用户设备可以包括但不限于智能手机、笔记本电脑、个人计算机(Personal Computer，PC)、个人数字助理(Personal Digital Assistant，PDA)、移动互联网设备(MobileInternet Device，MID)、穿戴设备(如智能手表、智能手环、智能眼镜)等各类电子设备，其中，该用户设备的操作***可包括但不限于Android操作***、IOS操作***、Symbian(塞班)操作***、Black Berry(黑莓)操作***、Windows Phone8操作***等。上述如图1所示的基站可以包括但不限于指接入网中在空中接口上通过一个或多个扇区与无线终端通信的设备。基站可用于将收到的空中帧与IP分组进行相互转换，作为无线终端与接入网的其余部分之间的路由器，其中，接入网的其余部分可包括网际协议(IP)网络。基站还可以协调对空中接口的属性管理。例如，基站可以是GSM或CDMA中的基站(BTS，Base TransceiverStation)，也可以是WCDMA中的基站(NodeB)，还可以是LTE中的演进型基站(NodeB或eNB或e-NodeB，evolutional Node B)。

在一些示例中，如图1所示的信号传输模型中，用户端与基站之间可以通过短帧结构进行信号传输。短帧结构可以通过无线信道的方式进行传输。无线信道可以是无记忆块衰落信道。由于短帧的传输持续时间较短，因此，信道衰落在一个数据帧期间可以保持恒定，但对于不同的数据帧和不同的路径信道衰落可以不同。其中，信道衰落可以包括大规模路径损耗和小规模复衰落系数。

在一些示例中，如图1所示的信号传输模型中，基站处可以具有空间滤波器。基站接收来自于不同用户端的发射信号，基站的空间滤波器的输出信号满足式(1)：

其中，α_k表示第k个用户端的大规模路径损耗，h_k,l表示第k个用户端的第l条路径的小规模复衰落系数，P_k表示第k个用户端的发射功率，s_k(t)表示第k个用户端的发射信号，n_k,l(t)是第k个用户端的第l条路径经过空间滤波器的残余噪声，其满足

在一些示例中，对于基站的空间滤波器的输出信号中的大规模路径损耗，第k个用户端的大规模路径损耗α_k可以满足

其中，路径损耗指数α_d满足α_d≥2。d_k可以表示用户端与基站之间的距离。发射信号的波长λ满足λ＝c/f_c，c＝3×10⁸m/s，f_c表示发射信号的载波频率。第k个用户端的大规模路径损耗α_k可以由距离d_k确定，其与特定的路径无关。在本公开中，假设各个用户的位置都保持不变。

在一些示例中，对于基站的空间滤波器的输出信号中的小规模复衰落系数，在加性高斯白噪声(AWGN)信道中，信道衰落中的第k个用户端的第l条路径的小规模复衰落系数h_k,l满足h_k,l＝1。

在一些示例中，在Rayleigh(瑞利)和Nakagami-m信道中，小规模复衰落系数|h|的概率密度函数(PDF)满足f_Ray(|h|)＝2|h|exp(-|h|²)和

其中，m∈[1/2,∞)和Γ(·)是Gamma函数。另外，Nakagami-m衰落信道在建模无线通信信道时被广泛使用。例如，在陆地移动和室内移动多径传播以及闪烁的电离层无线电链路中常常利用Nakagam-m分布，其中可以调整参数m以表示不同的场景。

在一些示例中，较小的m值对应的信道具有严重的衰落。在极限m→￥情况下，Nakagami-m衰落信道接近于非衰落加性高斯白噪声(AWGN)信道。另外，Nakagami-m分布包括m＝1/2的单侧高斯分布和m＝1的瑞利分布。对于Rayleigh和Nakagami-m信道，两个信道可以被建模为[0,2π]之间的均匀分布。

在一些示例中，基站可以从每条路径提取出信道衰落作为主要特征。本公开不限于此，传播延迟也可以是每条路径的一个重要特征。

在一些示例中，为了在不使用不同用户端的不同导频的情况下实现多径识别，在每个用户端没有先前的CSI，并且没有在每条路径中检测到消息的情况下，本公开提出一种基于加权集成聚类算法的MIMO***的盲多径识别方法。本公开涉及的基于加权集成聚类算法的MIMO***的盲多径识别方法可以简称为盲多径识别方法。

图2是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别方法的流程示意图。图3是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别方法的使用加权集成聚类算法进行盲多径识别的示意图。

在一些示例中，如图2所示，盲多径识别方法包括多个用户端向基站发送通信请求信号(步骤S10)。在步骤S10中，基于上述图1所示的信号传输模型，各个用户端可以向基站发送通信请求信号。通信请求信号可以是短帧结构。另外，各个用户端发射的通信请求信号可以经过无记忆块衰落信道到达基站。

在一些示例中，如图2所示，盲多径识别方法可以包括基站基于通信请求信号向用户端反馈应答信号，用户端基于应答信号，确定是否调整用户端的发射功率，以使基站允许每个用户端的通信请求(步骤S20)。在步骤S20中，基于上述图1所示的信号传输模型，基站可以接收通信请求信号。基站可以包括用户注册数据库。基站通过用户注册数据库检查各个用户端的通信请求信号是否合法。

在一些示例中，当基站接收的各个用户端的通信请求信号不合法时，基站可以中断与各个用户端的通信。若基站接收的各个用户端的通信请求信号合法，则基站对通信请求信号进行估计并计算每个用户端的接收信噪比γ_k。也即基站基于通信请求信号估计每个用户端的缩放的大规模路径损耗P_k|α_k|²。具体而言，各个用户端发射的通信请求信号到达基站后，经过基站的空间滤波器可以获得通信请求输出信号。通信请求输出信号可以通过式(1)获得，其中，第k个用户端的发射信号s_k(t)可以是通信请求信号。假设

基于通信请求输出信号可以获得每个用户端的缩放的大规模路径损耗进而获得各个用户端的接收信噪比(SNR)。第k个用户端的接收信噪比γ_k满足式(2)：γ_k＝P_k|α_k|²(2)，其中，α_k表示第k个用户端的大规模路径损耗，P_k表示第k个用户端的发射功率。第k个用户端的大规模路径损耗α_k可以参见上述图1中的相关具体描述。在步骤S20中，基站可以计算任意两个用户端的接收信噪比的差值。例如，基站可以计算第k个用户端的接收信噪比γ_k与第j个用户端的接收信噪比γ_j的差值，其中，第k个用户端与第j个用户端是不同的用户端，也即k≠j。第k个用户端的接收信噪比γ_k与第j个用户端的接收信噪比γ_j的差值Δ_k,j满足式(3)：Δ_k,j＝|γ_k-γ_j| (3)。差值Δ_k,j的数量可以是多个。

在步骤S20中，基站可以比较任一个差值与设定阈值ε_Δ，并基于比较结果向用户端反馈应答信号。应答信号可以包括第一应答信号和第二应答信号。用户端基于不同的应答信号确定是否调整发射功率。也即基站基于比较结果向用户端反馈不同的应答信号以调整用户端的发射功率。具体而言，若基站计算的每个差值都大于设定阈值ε_Δ，基站向用户端反馈第一应答信号，并允许用户端的通信请求，各个用户端接收第一应答信号，保持发射功率。若基站计算的差值小于或等于设定阈值ε_Δ，基站向用户端反馈第二应答信号，用户端接收第二应答信号，调整发射功率，以满足差值大于设定阈值ε_Δ，使基站允许用户端的通信请求。也即，用户端接收第二应答信号，并调整发射功率后，向基站重新发送通信请求信号，基站重新计算每个差值并与设定阈值ε_Δ进行比较，直至每个差值都大于设定阈值ε_Δ，基站允许用户端的通信请求。在这种情况下，通过比较差值和设定阈值ε_Δ且满足要求时，能够确保后续正确识别每个用户端的每条路径。

在一些示例中，基站可以通过自动功率控制实现对每个用户端的功率的控制。例如，将基站的收发台接收的射频信号依次输入具有滤波功能的滤波器和变频器，进而获得中频信号，再将此中频信号输入到基站的自动功率控制模块中对功率进行控制。其中，自动功率控制模块包括A/D转换器、去直流单元、功率估计单元和功率反馈调整单元。自动功率控制模块的自动功率控制过程包括：将中频信号经过A/D转换器获得数字信号，该数字信号经过可变点数的去直流单元得到零均值的数字中频信号，该数字中频信号再经过点数可变的功率估计单元得到信号的功率估计，该功率估计值经过功率反馈调整单元得到新的增益系数值，新增益系数应用于下一时间段内的限幅调整过程，最终使数字中频信号的输出维持在稳定功率附近。

在一些示例中，基站可以把接收到的信号加以稳定再发送出去，这样可有效地减少或避免通信信号在无线传输中的损失，保证用户的通信质量。在一些示例中，基站可以使用频分复用方式实现对信道使用数量的分配。在物理信道的可用带宽超过单个信息信号所需带宽情况下，可以将该物理信道的总带宽分割成若干个与传输单个信息信号带宽相同的子信道。在每个子信道上传输相应的信息信号，以实现在同一信道中同时传输多个信息信号(多路信号)。在多路信号进行频分复用前，需要通过频谱搬移技术将各路信号的频谱搬移到物理信道频谱的不同段上，以使各个信息信号的带宽不相互重叠。进行频谱搬移后，需要用不同的载波频率调制每一个信号。每个信号以其相应的载波频率为中心，在一定带宽的子信道上进行传输。另外，为了防止互相干扰，需要使用抗干扰保护措施带来隔离每一个子信道。

在一些示例中，如图2所示，盲多径识别方法可以包括当基站允许每个用户端的通信请求时，多个用户端向基站发送信息信号(步骤S30)。在步骤S30中，当基站允许每个用户端的通信请求时，所有用户端通过相同的频率信道同时向基站发送消息信号。基于图1所示的信号传输模型，每个用户端与基站之间存在多个独立的路径，且基站不知道用户端的路径的数量。每个用户端通过相应的多个独立的路径向基站发送消息信号。

在一些示例中，如图2所示，盲多径识别方法可以包括基站分离信息信号，以获得基本聚类算法的输入信号，进而获得基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵及集合矩阵，基站基于集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，进而自适应调整各个基本聚类算法的输出结果的权重，并根据加权集成聚类算法的输出对用户端的信息信号的路径进行识别(步骤S40)。具体而言，基站通过空间滤波器分离信息信号，基站基于分离的信息信号生成任一用户端的任一路径的基本聚类算法的输入信号，基于输入信号和基本聚类算法获得基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵，基于各个特征矩阵获得集合矩阵，基站基于集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，基站基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重，并根据加权集成聚类算法的输出对用户端的信息信号的路径进行识别。

在步骤S40中，基于图1所示的信号传输模型，基站可以通过空间滤波器分离各条路径，由上述可知，基站具有足够的大规模的天线以提供强大的空间分辨能力，故大多数的路径是空间可分辨的。在这种情况下，基站能够分离信息信号，获得各条路径中的信息信号。基站的空间滤波器可以捕获所有空间可分辨路径后的多径。

在一些示例中，导频信号可以用于辅助信道估计。估计误差可以由接收信噪比(SNR)确定。信道估计值

满足式(4)：

其中，

表示第K个用户端的第l条路径的估计误差且被建模为

ρ表示估计误差的比例因子。由此，能够获得各个用户端的各条路径的信道估计值。基站利用信道估计值

和空间滤波器的输出信号生成各条路径的聚类算法的输入信号。也即基站可以通过信道估计获得第κ个用户端的第l条路径的聚类算法的输入信号x_k,l(t)，输入信号x_k,l(t)满足式(5)：

其中，r_k,l(t)表示空间滤波器分离的第K个用户端的第l条路径的输出信号，输出信号可以基于发射信号通过式(1)获得。发射信号可以是各个用户端的各条路径的信息信号。

表示第K个用户端的第l条路径的信道估计值。由此，能够获得各个用户端的各条路径的输入信号，便于后续进行多径识别。在一些示例中，在没有估计误差的情况下，也即当估计误差的比例因子ρ为零时，则输入信号可以满足式(6)：

基于式(6)可以绘制在每个用户端具有相同数量的多径的条件下的星座图(未图示)。各个用户端有自己的分布区域，各个用户端之间存在重叠区域。然后可以将多径识别的问题转化为无监督学习的问题。由于经典聚类算法不能直接应用于具有所有星座点的正常星座图，可以选择星座图中的一个星座点作为聚类算法的输入信号。

在一些示例中，如图3所示，用户端可以是K个。每个用户端可以具有L_k条路径。基站通过上述步骤获得各条路径的基本聚类算法的输入信号后，将各条路径的相应的输入信号输入至加权集成聚类算法中，各个输入信号经过基本聚类算法可以获得基本聚类算法的输出结果。也即基于输入信号和基本聚类算法获得基本聚类算法的输出结果。

在一些示例中，加权集成聚类算法中可以将各种基本聚类算法分为不同的类别。分类时可以从算法设计者的角度开发的，侧重于聚类过程的一般过程的技术细节。基本聚类算法的选择通常考虑三个类别。具体来说，基站可以将各种基本聚类算法分为三种：基于分区、基于模型和基于分层。在基于分区的方法中，所有基本聚类算法都是迅速确定的。例如K均值聚类算法(K-means)，K中心点聚类算法(K-medoids)和谱聚类(SC)。在基于模型的方法中，数据可以通过基础概率分布的混合来形成，例如高斯混合模型(GMM)；在基于分层的方法中，数据可以根据接近媒介以分层方式组织，例如凝聚层次聚类(AHC)。中间节点可以获得接近度。基于分层的方法可以是凝聚的(自下而上)或***的(自上而下)。凝聚聚类从每个聚类的一个对象开始，并递归地合并两个或多个最合适的聚类。***聚类从数据集开始作为一个聚类，并递归地拆分最合适的聚类。

在一些示例中，选择的基本聚类算法可以是谱聚类(SC)、K均值聚类算法(例如K-means和K-means(Cityblock))、K中心点聚类算法(例如K-medoids和K-medoids(Cityblock))、高斯混合模型(GMM)、凝聚层次聚类算法(AHC(Complete)、AHC(Single)、AHC(Average)和AHC(Weighted))。上述10个基本聚类算法对应的主要特征分别是相似矩阵的特征值、平方欧几里德距离、绝对差异的总和、平方欧几里德距离、绝对差异的总和、正则化值10²、最远距离、最短距离、未加权的平均距离和加权平均距离。在本公开的示例中选择的基本聚类算法不限于上述列举的基本聚类算法。在一些示例中，可以根据上述的10个基本聚类算法获得多个基本聚类结果。基本聚类结果的数量可以用N_b表示。然后通过下述的加权集成聚类算法集成多个基本聚类结果(也即基本聚类算法的输出结果)并进行后续处理。

在步骤S40中，在加权集成聚类算法中，基于各个基本聚类算法的输出结果可以获得相应的特征矩阵。具体而言，给定图1所示的上行链路(UL)***和基本聚类结果N_p，每个基本聚类结果可以被视为UL***的特征。为了分析这些特征，可以从每个基本聚类结果生成一个特征矩阵。第i个特征矩阵D_i(i＝1,2,...,N_p)可以是邻接矩阵。第i个特征矩阵D_i中的每个条目可以表示相应的路径对是否已经聚集在一起。第i个特征矩阵D_i可以是排列后的块对角矩阵。基于各个特征矩阵获得集合矩阵E。集合矩阵可以满足式(7)：

满足

其中，N_p表示基本聚类结果，ω_i表示第i条路径的特征矩阵D_i的权重，

表示权重的矢量，D_i表示每个特征矩阵。由此，能够获得集合矩阵。集合矩阵能够有效地利用各个特征矩阵提供的信息。

在一些示例中，获得集合矩阵的问题可以被看做学习特征矩阵的最佳线性组合的问题。另外，为了避免权重的矢量W过度拟合到一个特征矩阵，也即一个特征矩阵加权系数为一，而所有其他特征矩阵的加权系数为零，可以引入一个正则化参数R。正则化参数R满足式(8)：

其中，ω_i表示第i条路径的特征矩阵D_i的权重，N_p表示基本聚类结果。正则化参数R可以表示第i条路径的特征矩阵D_i的权重的负熵的总和。正则化参数R可以惩罚具有最大权重的单个特征矩阵。上述特征矩阵、集合矩阵的获得以及正则化参数R的引入可以看做是加权集成聚类算法的生成阶段。

在步骤S40中，集合矩阵E可以表示对用户端的信息信号的路径的结果的关系。集合矩阵E的每个条目E_i,j可以代表用户端第i条路径和第j条路径之间的关系。在上行链路***中，当两个信息信号的路径之间的具有更强相互作用时，则该两个信息信号来自同一用户端的可能性更高。假设上行链路***包括K个用户，对于在上行链路***中观察到的第i条路径，可以引入一个参数β_i,k来表示来自第k(k＝1,2,...,K)个用户端的观察第i条路径的强度。在上行链路***中观察到的第i条路径可能在多个用户端上具有较高的参数β_i,k值。基于参数β_i,k建立路径-用户倾向矩阵B，基站可以基于集合矩阵通过路径-用户倾向矩阵B识别路径与用户端之间的关系，路径-用户倾向矩阵B满足式(9)：B＝[β_i,k](9)，其中，β_i,k表示第K个用户端的第i条路径的强度。由此，能够识别路径与用户端之间的关系。

表示检测到第K个用户端的第i条路径和第j条路径属于同一用户端的可能性。由此，能够将两个信息信号的路径属于同一用户端的可能性利用矩阵体现。另外，参数E_i,j可以表示观察到的第i条路径和观察到的第j条路径属于同一用户端的可能性。因此，集合矩阵E所描述的成对交互受到未观察到的非负参数Q＝BB^T的影响。每个元素β_i,kβ_j,k可以指示第k个用户端对非负参数Q_i,j的贡献。

在一些示例中，假设参数E_i,j的似然性由

给出，其中

是泊松概率密度函数和Γ(·)是伽马(Gamma)函数。在一些示例中，基于上述的集合矩阵E和路径-用户倾向矩阵B可以获得***概率P(E|B)。***概率P(E|B)满足式(10)：

其中，N_p表示基本聚类结果，ω_i表示第i条路径的特征矩阵D_i的权重，

表示权重的矢量，E_i,j表示集合矩阵的各个元素，且代表用户端第i条路径和第j条路径之间的关系，

表示检测到第k个用户端的第i条路径和第j条路径属于同一用户端的可能性。由此，能够判断两条路径属于同一用户端的可能性。针对上行链路***，可以最大化式(10)定义的***概率来估计路径-用户倾向矩阵B，通过取负对数和下降常数，获得加权集成聚类算法的目标函数。目标函数J(B)满足式(11)：

满足β_i,k≥0(11)，其中，N_L表示每个用户端的路径数量，Γ(·)表示伽玛(Gamma)函数。由此，能够具体获得加权集成聚类算法的目标函数。其中，第三个等号能够成立是因为Γ(1)＝Γ(2)＝1，且参数E_i,j值在0和1之间。在一些示例中，假设Γ(E_i,j+1)＝1。

在步骤S40中，由于上述的上行链路***是加权的无向***，并且贝叶斯NMF模型假设同一用户端中的两个路径的联合成员资格能够提高两个路径之间存在链接的概率。在式(9)至式(11)中引入正则化参数R，且将式(8)代替集合矩阵E，则式(11)的目标函数J(B)可以经过转化获得转化目标函数J(W,B)，转化目标函数J(W,B)满足：

满足

其中，λ是权衡参数且满足λ≥0，权衡参数可以控制式(11)的目标函数J(B)和正则化参数R之间的平衡。在一些示例中，基站基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重。其中，自适应调整的过程可以看做是约束式(12)的转化目标函数J(W,B)最小化形成约束非线性优化问题。在优化过程中，交替更新路径-用户倾向矩阵B和权重的矢量W，重复这个备用更新过程，直到结果收敛。

具体而言，在基站基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重中，可以令权重的矢量W等于预设值，通过第一更新规则更新路径-用户倾向矩阵B，第一更新规则满足式(13)：

其中，β_i,k表示第K个用户端的第i条路径的强度，β_j,k表示第K个用户端的第j条路径的强度，β_i,l表示第l个用户端的第i条路径的强度，β_j,l表示第l个用户端的第j条路径的强度，N_L表示每个用户端的路径数量。由此，能够优化路径-用户倾向矩阵。其中，由于权重的矢量W等于预设值，因此最小化J(B)并得到路径-用户倾向矩阵B。第一更新规则可以是乘法更新规则。获得更新的路径-用户倾向矩阵B后，可以基于第二更新规则更新权重的矢量W，第二更新规则满足式(14)：

其中，λ表示权衡参数，非负参数满足Q＝BB^T，D_m表示第m条路径的特征矩阵。由此，能够优化权重的矢量。另外，如果使用非负值初始化路径-用户倾向矩阵B，迭代期间的路径-用户倾向矩阵B将永远是非负的。另外，在基站基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重中，可以引入正则化参数R优化基本聚类算法的输出结果的权重，正则化参数R满足式(8)。由此，能够避免权重的矢量过度拟合到一个特征矩阵。上述***概率、目标函数的获得以及路径-用户倾向矩阵B和权重的矢量W的更新过程可以看做是加权集成聚类算法的路径检测阶段。

基于步骤S40中描述的加权集成聚类算法，图3所示的加权集成聚类算法的输入参数是独立的基本聚类结果A_i(i＝1,2,...,N_b)、用户端的数量K、权衡参数λ；输出参数是路径-用户倾向矩阵B、权重的矢量W、目标函数最小值s。加权集成聚类算法的简要步骤可以包括：通过在上行链路***上应用不同的基本聚类算法来获得不同的聚类结果；初始化权重的矢量W和路径-用户倾向矩阵B；当满足停止标准的条件时，构造集合矩阵E；根据式(13)更新路径-用户倾向矩阵B；根据公式(14)更新权重的矢量W；计算式(12)的目标函数最小值s；返回权重的矢量W，路径-用户倾向矩阵B，目标函数最小值s。另外，利用第一更新规则和第二更新规则迭代地更新权重的矢量W和路径-用户倾向矩阵B，当迭代次数达到150时停止算法。

在一些示例中，为了避免局部最小值，可以用随机初始条件重复加权集成聚类算法10次，并选择输出目标函数最小值s。并且，当确定每个权重的值满足ω_i＝1/N_p，则集合矩阵E满足

在这种情况下，第i条路径的特征矩阵都被平等对待。

在一些示例中，加权集成聚类算法可以预定义一个权衡参数λ。权衡参数λ可以控制正则化参数R的影响，权衡参数λ可以控制特征矩阵之间的相对差异。例如，设置λ＝∞可以强制所有基本聚类算法的权重相等。设置λ＝0，此时不采用正则化参数。通过第二更新规则，可以确定权衡参数λ效果取决于

为了便于选择权衡参数λ，可以将权衡参数λ设置成与

成比例。也即，权衡参数λ满足式(15)：

在一些示例中，改变初始权衡参数λ₀值并评估相应的性能以确定合适的权衡参数λ值。如果λ₀值足够大，则分配给每个基本聚类结果的权重几乎相等。因此，加权集成聚类算法的性能不会随着初始权衡参数λ₀增加而显著变化。在另一些示例中，当一部分基本聚类结果很差，一小部分初始权衡参数λ₀的改变会导致性能发生很大变化。

在一些示例中，可以计算式(13)和式(14)在更新过程中的总时间。更新路径-用户倾向矩阵B的时间是

而更新权重的矢量W的时间是

因此，所提出的加权集成聚类算法的总时间是

其中T是迭代次数。由于路径-用户倾向矩阵B稀疏，实时远小于

另外，基本聚类结果N_p虽然耗时，但是随着计算机硬件的快速发展，可以进行大量的操作。另外，基本聚类结果的生成过程可以并行化处理，通过并行计算，可以在现代多核处理器上同时生成不同的聚类结果，并缩短运行时间。

在步骤S40中，根据加权集成聚类算法的输出对用户端的信息信号的路径进行识别。加权集成聚类算法的输出即集合聚类结果。集合聚类结果可以认为是调整权重后的基本聚类算法的集合。基站可以将加权集成聚类算法的输出分成集群。每个集群包含每个用户端的信息信号的全部路径。然后对集群进行盲多径识别以实现对各个用户端的各条路径的盲多径识别。如图3所示，聚类数量M可以根据加权集成聚类算法确定。在一些示例中，可以设置M＝K，其中，K为注册阶段中可用的用户端的数量。每个集群的路径的数量是未知的。在这种情况下，可以选择一个合适的性能测量来准确地评估和公平地比较各种聚类算法性能。在一些示例中，对应每个用户端的信息信号的路径的集群最少包含一条路径，并且每个用户端最终只有一个集群。这些集群可以满足两个要求：其一每个组必须包含至少一个对象；其二，每个对象必须属于一个组。

在本公开中可以通过判断预测多径与已知多径的对应程度来评估盲多径识别方法的性能。其中，利用杰卡德(Jaccard)度量可以评估一组预测多径与一组参考多径之间的相似性。Jaccard度量可以测量预测的多径对应于用户-路径对级别的参考多径的程度，且考虑每个用户的路径的数量。Jaccard度量的值在0和1之间变化，值越高表示性能越好。在理想信道下，Jaccard度量的值等于1，由此能够表明基站正确识别所有路径。在实际信道中，特别是在不良信道条件下，Jaccard度量的值会减小。在一些示例中，基站可以设置接收到用户端的接收信噪比达到一定标准时，基站能够识别用户端的路径。具体而言，基站可以通过设置Jaccard度量的值的阈值，其中，阈值ε_J可以设定为基站能够正确识别的路径的下限。如果Jaccard≥ε_J，那么盲多径识别的性能满足要求。

在一些示例中，如图2所示，基于聚类算法的MIMO***的盲多径识别方法可以包括基站基于每个用户端的所有路径获得每个用户端的最大比合并，并解码每个用户端的信息信号(步骤S50)。在步骤S50中，基站能够收集每个用户端的所有路径并为每个用户端进行最大比率组合(MRC)以改善接收信噪比。在一些示例中，例如，设置ε_J＝0.95，并且当Jaccard≥ε_J时，基站可以正确地为每个用户端收集超过95％的路径以通过最大比合并(MRC)改善最终性能(即最终接收信噪比)，而剩余路径(小于路径的5％)可以被视为附加路径噪声。另外，基站可以接收用户端的信息信号并解码信息信号，完成多用户MIMO***的上行链路的传输。步骤S10至步骤S20可以看做是基于MIMO***的上行链路的数据传输方法中的注册阶段。步骤S30至步骤S50可以看做是基于MIMO***的上行链路的数据传输方法中的消息传输阶段。

图4是示出了本公开的示例所涉及的盲多径识别方法中在不同接收信噪比的差值的条件下瑞利信道中的杰卡德度量值与接收信噪比的波形示意图。图5是示出了本公开的示例所涉及的盲多径识别方法中在不同参数m的条件下Nakagami信道中的杰卡德度量值与接收信噪比的波形示意图。图6是示出了本公开的示例所涉及的盲多径识别方法中在不同初始权衡参数的条件下瑞利信道中的杰卡德度量值与接收信噪比的波形示意图。图7是示出了本公开的示例所涉及的盲多径识别方法中在不同估计误差的比例因子的条件下瑞利信道中的杰卡德度量值与接收信噪比的波形示意图。在一些示例中，如图4至图7，用户端的数量设置为三个，每个用户端具有相同数量的路径且满足L＝L₁＝L₂＝L₃，设定路径损耗指数α_d＝2和发射信号的载波频率f_c＝2GHz。

在一些示例中，在图4所示的波形A是Δ＝0.5dB下的波形。波形B是Δ＝0.8dB下的波形。波形C是Δ＝1dB下的波形。波形D是Δ＝2dB下的波形。波形E是Δ＝3dB下的波形。如图4所示，用户端的接收信噪比增加时，加权集成聚类算法的Jaccard度量的值随之增加。当接收信噪比或接收信噪比的差值Δ变得足够大，Jaccard度量的值增加的趋势逐渐减小并最终稳定。例如，如果γ₁≥16dB，在Δ＝2dB下的Jaccard度量的值等于在Δ＝3dB的值。因此，对于高接收信噪比区域，可以适当地减小接收信噪比的差值Δ。

在一些示例中，在图5所示的波形图中不同的波形是在不同的参数m下获得的，具体而言，波形F是m＝0.5下的波形。波形G是m＝0.8下的波形。波形H是m＝1下的波形。波形M是m＝1.5下的波形。波形N是m＝3下的波形。每个用户端的路径数量为50个。如图5所示，当参数m(也称为分阶数m)增加时，能够减轻信道衰落的影响，且加权集成聚类算法的Jaccard度量的值随之增加。当接收信噪比或参数m变得足够大，Jaccard度量的值增加的趋势逐渐减小并最终稳定。例如，如果γ₁≥18dB，在m＝1.5下的Jaccard度量的值等于在m＝3.0的值。

在一些示例中，在图6所示的波形图中不同的波形是在不同的初始权衡参数λ₀下获得的，具体而言，波形O是λ₀＝0.01下的波形。波形P是λ₀＝0.1下的波形。波形Q是λ₀＝0.2下的波形。波形R是λ₀＝0.5下的波形。波形S是λ₀＝1下的波形。每个用户端的路径数量为50个。如图6所示，随着初始权衡参数λ₀的增加，加权集成聚类算法的性能降低。当性能降低差距逐渐减小，对于较大的初始权衡参数λ₀，加权集成聚类算法退化为原始集成聚类算法(即没有调整权值的过程，在原始集成聚类算法中，各个基本聚类结果直接相加)。在另一些示例中，在高接收信噪比区域中，加权集成聚类算法随着初始权衡参数λ₀逐渐收敛到相同的性能。这是因为每个基本聚类算法在高接收信噪比区域中工作得更好，并且原始集成聚类算法也是可接受的。

在一些示例中，在图7所示的波形图中不同的波形是在不同的估计误差的比例因子ρ下获得的，具体而言，波形T是ρ＝0下的波形。波形U是ρ＝1/γ下的波形。波形Y是ρ＝0.1下的波形。波形W是ρ＝0.2下的波形。每个用户端的路径数量为50个。如图7所示，通过比较ρ＝0(无误差)和ρ＝1/γ的结果，获知低接收信噪比区域中的信道估计误差的影响远大于高接收信噪比区域中的影响，因此对于高接收信噪比可以忽略信道估计误差。在另一些示例中，将ρ设置为恒定值，当ρ＝0.1则影响变大，尽管随着接收信噪比的值增加，Jaccard值增加。然而，当ρ设置为大的恒定值，例如ρ＝0.2则整体算法的性能进一步恶化至独立于接收信噪比的值。

在本公开中，由于在相同***(例如相同数量的多个用户端和相同数量的多个路径)上的不同聚类算法的性能基本上不同，而且即使相同的算法在不同的信道条件下也可能具有不同的性能。另外由于不同聚类算法的聚类结果可以从不同方面描述多用户MIMO***的基本模式，单个聚类算法通常只能捕获上行链路***的一个方面。因此，本公开提出一种基于加权集成聚类算法的MIMO***的盲多径识别方法。本公开涉及的盲多径识别方法能够集成不同基本聚类算法的基本聚类结果，生成准确可靠的聚类结果。与同等地处理每个基本聚类结果的传统加权集成聚类算法相比，本公开所涉及的加权集成聚类算法可以自适应调整不同基本聚类结果的最佳权重。由此，获得更高权重的基本聚类结果可能更可靠并且可以被视为重要特征。而具有较低权重的基础聚类结果可能是较不可靠的特征，且产生具有较低权重的基础聚类结果的聚类可能远离实际情况。在这种情况下，通过这些权重，可以在要素(基础聚类结果)之间执行选择，并产生更可靠的输出。通过本公开涉及的盲多径识别方法能够通过加权集成聚类算法稳定且有效地进行多径识别，且能够准确地评估和公平地比较各种聚类算法和加权集成聚类算法的性能。

图8是示出了本公开的示例所涉及的基于加权集成聚类算法的MIMO***的盲多径识别***的结构示意图。在一些示例中，如图8所示，基于加权集成聚类算法的MIMO***的盲多径识别***(简称盲多径识别***)1可以是具有用户装置10和接收装置20的无线通信***的基于聚类算法的MIMO***的盲多径识别***1。其中，用户装置10与上述的用户端可以是相似的概念，接收装置20与上述的基站可以是相似的概念。其中用户装置10与接收装置20可以通过无线通信的方式进行信号传输。

在一些示例中，用户装置10的数量可以是多个。多个用户装置10可以向接收装置20发送通信请求信号。通信请求信号可以是短帧结构。具体可以参见上述步骤S10。其中，用户装置10可以包括但不限于用户设备。在另一些示例中，接收装置20可以包括但不限基站。

在一些示例中，接收装置20可以用于基于通信请求信号向用户装置10反馈应答信号。具体而言，接收装置20接收通信请求信号。接收装置20可以通过用户注册数据库检查各个用户装置10的通信请求信号是否合法。当通信请求信号合法时，则接收装置20对通信请求信号进行估计并计算每个用户装置10的接收信噪比γ_k。接收信噪比γ_k满足式(2)。接收装置20可以计算第k个用户装置10的接收信噪比γ_k与第j个用户装置10的接收信噪比γ_j的差值Δ_k,j，进而基于差值Δ_k,j向用户装置10反馈应答信号。差值Δ_k,j满足式(3)。具体可以参见上述步骤S20。

在一些示例中，用户装置10可以基于应答信号，确定是否调整用户装置10的发射功率，以使接收装置20允许每个用户装置10的通信请求。应答信号可以包括第一应答信号和第二应答信号。若接收装置20计算的每个差值都大于设定阈值ε_Δ，接收装置20向用户装置10反馈第一应答信号，并允许用户装置10的通信请求。用户装置10接收第二应答信号，并调整发射功率后，向接收装置20重新发送通信请求信号，接收装置20重新计算每个差值并与设定阈值ε_Δ进行比较，直至每个差值都大于设定阈值ε_Δ，接收装置20允许用户装置10的通信请求。另外，接收装置20可以通过自动功率控制实现对每个用户装置10的功率的控制。具体可以参见上述步骤S20。

在一些示例中，当接收装置20允许每个用户装置10的通信请求时，多个用户装置10可以向接收装置20发送信息信号。其中，所有用户装置10可以通过相同的频率信道同时向接收装置20发送消息信号。每个用户装置10与接收装置20之间存在多个独立的路径。每个用户装置10通过相应的多个独立的路径向接收装置20发送消息信号。

在一些示例中，接收装置20可以包括滤波器(例如空间滤波器)。接收装置20可以通过空间滤波器分离信息信号。接收装置20可以基于分离的信息信号生成任一用户装置10的任一路径的基本聚类算法的输入信号。具体而言，接收装置20可以基于分离的信息信号并通过信道估计获得第K个用户装置10的第l条路径的基本聚类算法的输入信号x_k,l(t)。信道估计值

满足式(4)。第K个用户装置10的第l条路径的输入信号x_k,l(t)满足式(5)。其中，r_k,l(t)表示空间滤波器分离的第K个用户装置10的第l条路径的输出信号，

表示第K个用户装置10的第l条路径的信道估计值。

在一些示例中，基于输入信号和基本聚类算法，接收装置20可以获得基本聚类算法的输出结果。也即接收装置20可以将各条路径的相应的输入信号输入至加权集成聚类算法中以获得基本聚类算法的输出结果。其中，加权集成聚类算法中可以将各种基本聚类算法分为不同的类别。选择的基本聚类算法可以是上述的10个基本聚类算法。具体可以参见上述步骤S40。

在一些示例中，基于各个基本聚类算法的输出结果，接收装置20可以获得相应的特征矩阵。基于各个特征矩阵，接收装置20可以获得集合矩阵。集合矩阵可以满足式(7)。接收装置20可以基于集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数。***概率P(E|B)满足式(10)。目标函数J(B)满足式(11)。其中，E表示集合矩阵，N_p表示基本聚类结果，ω_i表示第i条路径的特征矩阵D_i的权重，

表示权重的矢量，E_i,j表示集合矩阵的各个元素，且代表用户装置10第i条路径和第j条路径之间的关系，β_i,k表示第K个用户装置10的第i条路径的强度，β_j,k表示第K个用户装置10的第j条路径的强度，

表示检测到第k个用户装置10的第i条路径和第j条路径属于同一用户装置10的可能性。具体可以参见上述步骤S40。

在一些示例中，为了避免权重的矢量W过度拟合到一个特征矩阵，可以引入一个正则化参数R。正则化参数R满足式(8)。正则化参数R可以表示第i条路径的特征矩阵D_i的权重的负熵的总和。上述特征矩阵、集合矩阵的获得以及正则化参数R的引入可以看做是加权集成聚类算法的生成阶段。在一些示例中，建立路径-用户倾向矩阵B，接收装置20可以基于集合矩阵通过路径-用户倾向矩阵B识别路径与用户装置10之间的关系。基于路径-用户倾向矩阵B和集合矩阵E接收装置20可以获得***概率。具体可以参见上述步骤S40。

在一些示例中，接收装置20可以基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重。自适应调整的过程可以看做是对转化目标函数J(W,B)最小化形成约束非线性优化问题。在优化过程中，交替更新路径-用户倾向矩阵B和权重的矢量W，重复这个备用更新过程，直到结果收敛。具体可以参见上述步骤S40。

在一些示例中，在接收装置20基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重中，可以令权重的矢量等于预设值，通过第一更新规则更新路径-用户倾向矩阵B，获得更新的路径-用户倾向矩阵B后，基于第二更新规则更新权重的矢量。第一更新规则满足式(13)。第二更新规则满足式(14)。在一些示例中，在接收装置20基于加权集成聚类算法的目标函数自适应调整各个基本聚类算法的输出结果的权重中，可以引入正则化参数R优化基本聚类算法的输出结果的权重，正则化参数R满足式(8)。其中，具体可以参见上述步骤S40。

在一些示例中，根据加权集成聚类算法的输出对用户装置10的信息信号的路径进行识别。加权集成聚类算法的输出即集合聚类结果。集合聚类结果可以认为是调整权重后的基本聚类算法的集合。接收装置20可以将加权集成聚类算法的输出分成集群。每个集群包含每个用户装置10的信息信号的全部路径。然后对集群进行盲多径识别以实现对各个用户装置10的各条路径的盲多径识别。具体可以参见上述步骤S40。

在一些示例中，接收装置20可以基于每个用户装置10的所有路径获得每个用户装置10的最大比合并，并解码每个用户装置10的信息信号。接收装置20可以接收用户装置10的信息信号并解码信息信号，完成多用户MIMO***的上行链路的传输。可以参见上述步骤S50。

虽然以上结合附图和实施例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。

Claims (6)

1.一种基于加权集成聚类算法的MIMO***的盲多径识别方法，是包含用户端和基站的无线通信***的基于加权集成聚类算法的MIMO***的盲多径识别方法，其特征在于，

包括：

多个所述用户端向所述基站发送通信请求信号；

所述基站基于所述通信请求信号向所述用户端反馈应答信号，所述用户端基于所述应答信号，确定是否调整用户端的发射功率，以使所述基站允许每个所述用户端的通信请求；

当所述基站允许每个所述用户端的通信请求时，多个所述用户端向所述基站发送信息信号；

所述基站通过空间滤波器分离所述信息信号，所述基站基于分离的所述信息信号生成任一所述用户端的任一路径的基本聚类算法的输入信号，基于所述输入信号和所述基本聚类算法获得所述基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵，基于各个所述特征矩阵获得集合矩阵，所述基站基于所述集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，所述基站基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重，并根据所述加权集成聚类算法的输出对所述用户端的信息信号的路径进行识别；并且

所述基站基于每个所述用户端的所有所述路径获得每个所述用户端的最大比合并，并解码每个所述用户端的信息信号。

2.根据权利要求1所述的盲多径识别方法，其特征在于：

所述基站通过信道估计获得第K个所述用户端的第l条路径的基本聚类算法的输入信号x_k,l(t)，第K个所述用户端的第l条路径的输入信号x_k,l(t)满足式(Ⅰ)：

其中，r_k,l(t)表示所述空间滤波器分离的第K个所述用户端的第l条路径的输出信号，

表示第K个所述用户端的第l条路径的信道估计值。

3.如权利要求1所述的盲多径识别方法，其特征在于，

在所述基站基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重中，引入正则化参数R优化所述基本聚类算法的输出结果的权重，所述正则化参数R满足式(Ⅱ)：

其中，ω_i表示第i条路径的特征矩阵D_i的权重，N_p表示基本聚类结果。

4.一种基于加权集成聚类算法的MIMO***的盲多径识别***，是包含用户装置和接收装置的基于加权集成聚类算法的MIMO***的盲多径识别***，其特征在于，

包括：

多个所述用户装置，其用于向所述接收装置发送通信请求信号；以及

所述接收装置，其用于基于所述通信请求信号向所述用户装置反馈应答信号，所述用户装置基于所述应答信号，确定是否调整用户装置的发射功率，以使所述接收装置允许每个所述用户装置的通信请求，

其中，当所述接收装置允许每个所述用户装置的通信请求时，多个所述用户装置向所述接收装置发送信息信号，所述接收装置通过空间滤波器分离所述信息信号，所述接收装置基于分离的所述信息信号生成任一所述用户装置的任一路径的基本聚类算法的输入信号，基于所述输入信号和所述基本聚类算法获得所述基本聚类算法的输出结果，基于各个基本聚类算法的输出结果获得相应的特征矩阵，基于各个所述特征矩阵获得集合矩阵，所述接收装置基于所述集合矩阵获得***概率，进而得到加权集成聚类算法的目标函数，所述接收装置基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重，并根据所述加权集成聚类算法的输出对所述用户装置的信息信号的路径进行识别，所述接收装置基于每个所述用户装置的所有所述路径获得每个所述用户装置的最大比合并，并解码每个所述用户装置的信息信号。

5.根据权利要求4所述的盲多径识别***，其特征在于：

所述接收装置通过信道估计获得第K个所述用户装置的第l条路径的基本聚类算法的输入信号x_k,l(t)，第K个所述用户装置的第l条路径的输入信号x_k,l(t)满足式(Ⅰ)：

其中，r_k,l(t)表示所述空间滤波器分离的第K个所述用户装置的第l条路径的输出信号，

表示第K个所述用户装置的第l条路径的信道估计值。

6.根据权利要求4所述的盲多径识别***，其特征在于：

在所述接收装置基于所述加权集成聚类算法的目标函数自适应调整各个所述基本聚类算法的输出结果的权重中，引入正则化参数R优化所述基本聚类算法的输出结果的权重，所述正则化参数R满足式(Ⅱ)：

其中，ω_i表示第i条路径的特征矩阵D_i的权重，N_p表示基本聚类结果。

Images